In [36]:
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
data_1=pd.read_csv("cnps_2.csv")
data_1.head()
#data_1.dtypes
#print(data_1)
Out[36]:
L'aperçu des données.¶
In [48]:
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
data_2=pd.read_json("Lim_pref.json")
data_2.head()
#print(data_2.shape)
Out[48]:
In [ ]:
### L'aperçu des données.
In [61]:
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
data_3=pd.read_csv("imma.csv")
data_3.head()
Out[61]:
L'aperçu des données.¶
In [63]:
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
data_3=pd.read_csv("presta.csv")
data_3.head()
Out[63]:
L'aperçu des données.¶
In [38]:
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
data_4=pd.read_csv("empl.csv")
sns.set_context("notebook",rc={"xtick.labelsize":
15,"ytick.labelsize": 15})
plt.figure(figsize=[15,6])
plt.subplot(111)
#donnees_summer=datasuppp[datasuppp
#["Season"]=="Summer"]
#donnees_pointplot=donnees_summer.groupby(["Year","Sex"]).size().reset_index(name="Count")
sns.pointplot(x ="Annee", y="Effectif", data = data_4,
hue="Rubrique")
plt.xticks(rotation=90)
plt.show()
L'évolution des employeurs CNPS de 2008 à 2010.¶
Le nombre des employeurs est passés de 17 000 à 22 000
In [72]:
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
data_4=pd.read_csv("salar.csv")
sns.set_context("notebook",rc={"xtick.labelsize":
15,"ytick.labelsize": 15})
plt.figure(figsize=[15,6])
plt.subplot(111)
#donnees_summer=datasuppp[datasuppp
#["Season"]=="Summer"]
#donnees_pointplot=donnees_summer.groupby(["Year","Sex"]).size().reset_index(name="Count")
sns.pointplot(x ="Annee", y="Effectif", data = data_4,
hue="Rubrique")
plt.xticks(rotation=90)
plt.show()
L'évolution des salariés CNPS de 2008 à 2010.¶
Une évolution très timide entre 2008 et 2009 et une forte évolution entre 2009 et 2010.
In [64]:
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
data_4=pd.read_csv("imma.csv")
sns.set_context("notebook",rc={"xtick.labelsize":
15,"ytick.labelsize": 15})
plt.figure(figsize=[15,6])
plt.subplot(111)
#donnees_summer=datasuppp[datasuppp
#["Season"]=="Summer"]
#donnees_pointplot=donnees_summer.groupby(["Year","Sex"]).size().reset_index(name="Count")
sns.pointplot(x ="Annee", y="Effectif", data = data_4,
hue="Rubrique")
plt.xticks(rotation=90)
plt.show()
In [75]:
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
data_4=pd.read_csv("mifa.csv")
sns.set_context("notebook",rc={"xtick.labelsize":
15,"ytick.labelsize": 15})
plt.figure(figsize=[15,6])
plt.subplot(111)
#donnees_summer=datasuppp[datasuppp
#["Season"]=="Summer"]
#donnees_pointplot=donnees_summer.groupby(["Year","Sex"]).size().reset_index(name="Count")
sns.pointplot(x ="Annee", y="Effectif", data = data_4,
hue="Rubrique")
plt.xticks(rotation=90)
plt.show()
L'évolution de prestations familiales de 2008 à 2010.¶
On constate une legère baisse des prestations familiales de 2008 à 2009, cela s'explique par.... , suivi d'une forte augmentation de 2009 à 2010 ceci est du....
In [74]:
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
data_4=pd.read_csv("retraite.csv")
sns.set_context("notebook",rc={"xtick.labelsize":
15,"ytick.labelsize": 15})
plt.figure(figsize=[15,6])
plt.subplot(111)
#donnees_summer=datasuppp[datasuppp
#["Season"]=="Summer"]
#donnees_pointplot=donnees_summer.groupby(["Year","Sex"]).size().reset_index(name="Count")
sns.pointplot(x ="Annee", y="Effectif", data = data_4,
hue="Rubrique")
plt.xticks(rotation=90)
plt.show()
In [73]:
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
data_4=pd.read_csv("retraite.csv")
sns.set_context("notebook",rc={"xtick.labelsize":
15,"ytick.labelsize": 15})
plt.figure(figsize=[15,6])
plt.subplot(111)
#donnees_summer=datasuppp[datasuppp
#["Season"]=="Summer"]
#donnees_pointplot=donnees_summer.groupby(["Year","Sex"]).size().reset_index(name="Count")
sns.pointplot(x ="Annee", y="Effectif", data = data_4,
hue="Rubrique")
plt.xticks(rotation=90)
plt.show()
L'évolution de prestations retraites de 2008 à 2010.¶
On constate une baisse de 3% des bénéficiaires émis de la retraite de 2008 à 2009 en raison de nombreuses suspensions de droits opérés pour non dépôt par les assurés de pièces de régularisation périodique (certificats de vie, certificats de non remariage etc.)
In [65]:
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
data_4=pd.read_csv("presta.csv")
sns.set_context("notebook",rc={"xtick.labelsize":
15,"ytick.labelsize": 15})
plt.figure(figsize=[15,6])
plt.subplot(111)
#donnees_summer=datasuppp[datasuppp
#["Season"]=="Summer"]
#donnees_pointplot=donnees_summer.groupby(["Year","Sex"]).size().reset_index(name="Count")
sns.pointplot(x ="Annee", y="Effectif", data = data_4,
hue="Rubrique")
plt.xticks(rotation=90)
plt.show()
In [35]:
import os
import numpy as np
import pandas as pd
import folium
#url = 'https://raw.githubusercontent.com/python-visualization/folium/master/examples/data'
state_geo = 'Lim_pref.json'
state_unemployment = 'cnps_2.csv'
state_data = pd.read_csv(state_unemployment)
m = folium.Map(location=[7.860367, -5.481547], zoom_start=7)
folium.Choropleth(
geo_data=state_geo,
name='Nombre de structures sociales par sousprefecture',
data=state_data,
columns=['Prefecture','Nbre_de_service'],
#color_data = data.set_index(columns[Prefecture])[columns[Nbre_de_service]].to_dict()
key_on='properties.DEPARTMNT',
fill_color='PuRd',
fill_opacity=0.7,
line_opacity=0.2,
legend_name='Nombre de structures sociales (%)'
).add_to(m)
folium.LayerControl().add_to(m)
(m)
Out[35]:
Répartition spatiale des structures de protections sociales¶
Cette carte met en evidence la disparité spatiale des structures de protections entre les sous-prefectures. 30 % des structures de protections sociales se situent dans la sous-prefecture d'Abidjan (en rouge). Certaines sous-prefectures ne possedent aucune struture (en noire).
